基于python机器学习的临床预测模型构建临床应用培训班-工业与信息化技术培训网

临床预测模型是根据个体的一系列特征来估计个体发生某种疾病或出现各种结局概率的统计模型，常用于临床忠对疾病严重程度进行分层，并揭示疾病或疾病预后的风险特征。近些年来，随着人工智能技术越来越多的被应用于临床中，基于机器学习的临床预测也成为临床研究的热点。

基于机器学习算法的预测模型从宏观层面来讲可对国家学科架构规划、智库建设及基金规划制定提供决策支持，中观层面对于地区、高校、院系等体系的双一流建设和学科带头点培养起指导作用，而从个体微观角度来讲，研究热点的把握和趋势追踪对于科研工作者提升科研效率和科研产出意义显著。因此，有效捕捉当前活跃的科研活动信息，从而追踪研究热点趋势成为一直以来关注的焦点

本次培训通过具体的临床数据案例进行，来提高医生的科研设计及数据分析能力，提升医学资源利用率。

一、本课程最大特点：

1. 本课程结合临床实际案例，从临床科研的实际需求出发，围绕临床科研需求，利用当前人工智能技术开展临床预测模型构建，不同于传统的统计学建模。

2. 本课程深度讲解如何基于临床资料构建临床预测模型，为临床工作者发表高质量论文与提高临床科研设计方法提供帮助。

二、主讲专家：

来自重点高校医学专业带头人，专业从事医学人工智能方向，并在多家人工智能公司担任算法工程师。发表数十篇专业领域内学术论文及SCI高水平论文，主编或参与编写多部著作。参与多家三甲医院临床科研项目的研究合作，科研及授课经验很丰富。

三、培训时间: 2024年11月08日— 2024年11月11日远程在线培训

（第一天数据及操作软件调试，共授课三天）

四、参加对象：

各省市、自治区从事临床医学、基础医学、生物医学工程等科室主任医师、副主任医师、住院医师等临床科研工作者相关人员；国内各重点大学、科研院所相关研究领域的博士、硕士相关研究生和学者等：

五、培训大纲：

一、临床预测模型基础知识	1.机器学习工具基础知识：python\numpy\pandas\matplotlib\seaborn等。 2.临床预测模型的工作场景、研究思路、研究内容等。 3.临床预测挖掘的论文写作套路与方法解读。
二、基于Cox回归构建生存概率预测模型	1.单因素Cox回归分析； 2.多因素Cox回归分析； 3.独立预后因素绘制Nomogram； 4.模型验证：C-index等。
三、基于Kaplan-Merier回归构建生存概率预测模型	1.数据预处理； 2.模型构建； 3.生存曲线绘制与评估； 4.logrank批量生存分析； 4.Fine&Gray检验与竞争风险模型。
四、Python语言基础（上机操作）	1.python编程环境安装与配置 2.python基本数据结构 3.python的编程 3.1 控制流、函数与文件操作 3.2 Numpy基础 4 数据分析工具pandas与批量处理Excel的xlwings模块。 4.1 使用python 批量进行数据分析：批量排序、筛选、分类汇总、求和、最大最小值； 4.2 基本统计学分析查看数据信息、数值型变量的统计描述、数值变量的假设检验、分类变量的列联表和独立性检验 4.3线性模型与广义线性模型线性模型、Logistic回归、Posisson回归、生存分析与COX回归、生存率的Kaplan-Meier估计、COX回归 4.4 数据可视化工具matplotlib、seaborn
五、机器学习多变量特征筛选方法	1.人工筛选； 2.移除低方差特征； 3.单变量特征选择； 4.递归式特征消除； 5.特征重要性排序； 6.SelectFromModel； 7.LassoCV/岭回归。 8.其他特征筛选方法。
六、数据异常值识别与缺失值插补	1.只使用有效数据进行插补； 2.使用替换值进行插补； 3.回归插补法； 4.极大似然估计插补、多重插补、贝叶斯插补等。
七、机器学习模型的构建	1.集成学习模型；catboost,xgboost,随机森林等。 2.非集成学习模型：逻辑回归、支持向量机；线性判别、决策树等算法。
八、临床预测模型的评价与验证	1.ROC/AUC; 2.Precision/F1分数； 3.Recall； 4.Accuracy； 5.交叉验证； 6.回归类问题验。
九、基于机器学习临床预测模型构建临床案例	1.融合乳腺癌生信数据、临床数据的生存预测（生存分析） 2.前列腺癌良恶性预测（分类问题） 3.糖尿病遗传风险预测（回归问题） 4.肺癌良恶性预测（分类问题） 6低出生体重婴儿的影响因素分析（分类问题） 7. 骨髓移植对比血液移植治疗白血病的疗效预测分析（分类问题） 8.透明细胞癌生存分析预测（COX回归）
十、其他辅助内容	1.学后交流、微信群、QQ群建立； 2.咨询、合作。 3.专业技术团队深入探讨。